Multi-omik Modelleme ve Açıklanabilir Makine Öğrenimi
BIF601, biyolojik ve multi-omik verilerde modellemeyi; araştırma sorusunun model hedefi ve özellik uzayına çevrilmesi, sızıntısız veri ayrımı, model seçimi, validasyon, açıklanabilirlik ve genellenebilirlik kararlarının birlikte yönetildiği uygulamalı bir süreç olarak ele alır. Katılımcılar Google Colab üzerinde referans ve ağaç tabanlı modeller kurar; özellik seçimi, çapraz doğrulama ve uygun performans metrikleriyle modeli değerlendirir; Partial Dependence ve SHAP ile model davranışını inceler.
Hedef · Sınıf · Sonuç
Multi-omik Matris
RF · Gradient Boosting
CV · Metrikler
PDP · SHAP
Genellenebilirlik
Katılımcılar, biyolojik bir araştırma sorusunu model hedefi ve özellik uzayına dönüştürür; veri ayrımını ve model değerlendirme akışını veri sızıntısını önleyecek biçimde kurar. Google Colab üzerinde referans ve ağaç tabanlı modeller geliştirir; özellik seçimi, çapraz doğrulama ve uygun metriklerle model performansını değerlendirir. Partial Dependence ve SHAP ile global ve lokal model davranışını inceler; açıklamaların nedensel yorumla eşdeğer olmadığını gözeterek sonuçları biyolojik bağlamla ilişkilendirir. Modül sonunda multi-omik veri üzerinde modelleme, validasyon, açıklama ve genellenebilirlik değerlendirmesi adımlarını uçtan uca yürütebilir.
İKİ DİLDE BELGE
Modülü tamamlayan katılımcıya Türkçe ve İngilizce başarı sertifikası ile modül ders içeriğini gösteren transkript verilir.
DOĞRULANABİLİR
Her iki belge aynı benzersiz sertifika numarasını taşır ve DNA Academy Sertifikasyon Sistemi üzerinden doğrulanabilir.
LİNKEDIN ENTEGRASYONU
Sertifika LinkedIn profilinin lisans ve sertifikalar bölümüne eklenebilir ve profesyonel profilde paylaşılabilir.